Агрегирование дифференциально частных моделей для повышения эффективности классификации Для разработки надежных и эффективных моделей машинного обучения требуются большие наборы данных. Тем не менее, сбор достаточного количества данных может быть обременительным, а в некоторых случаях невозможным. В Bluecore мы создаем модели прогнозирования, чтобы помочь маркетологам электронной коммерции привлекать, привлекать и удерживать клиентов. Эти модели построены на собственных наборах данных..

Tl;DR: «Соревнование Criteo по машинному обучению по защите конфиденциальности», проводимое ad-KDD, подошло к концу. Он собрал более 150 команд из многих компаний, которые работали над обучением моделей машинного обучения на наборах данных, вдохновленных предложениями по агрегированным отчетам из Chrome Privacy Sandbox, которые вводят такие концепции, как неполный доступ к данным, вставка шума и отложенная обратная связь. Все хорошо работающие предложения критически требуют некоторых..